Blogartikel
Saisonale Schwankungen in der Prognose richtig abbilden: Was Disponenten wissen müssen
Jeder Disponent im saisonalen FMCG-Handel kennt das Muster: Im Sommer läuft das Geschäft, im Winter stockt es. Das ist keine Überraschung, und trotzdem führt es jedes Jahr zu denselben Planungsfehlern: zu wenig in der Hochsaison, zu viel danach. Das Problem ist nicht das Wissen um die Saisonalität. Es ist die fehlende Methode, sie in konkrete Bestellmengen zu übersetzen. Dieser Artikel zeigt, wie das geht, und wo die Grenzen der Standardmethode liegen.
Saisonale Prognosen liegen im FMCG-Mittelstand systematisch daneben, nicht weil Saisonalität unvorhersehbar wäre, sondern weil sie methodisch nicht korrekt abgebildet wird. Die BVL-Trendstudie 2025/26 zeigt, dass die Planungsqualität bei volatilen und saisonalen Sortimenten zu den größten Herausforderungen mittelständischer Betriebe zählt. Dabei ist Saisonalität ein mathematisch greifbares Muster, kein Risiko. Wer einen Saisonalitätsindex hat, kann sich strukturiert auf die Saisonalität Prognose vorbereiten, statt jedes Jahr gegen dieselben Überraschungen zu kämpfen. Dieser Artikel erklärt die drei Saisonalitätstypen im FMCG-Mittelstand, zeigt, wie sich ein Saisonalitätsindex aus eigenen Daten berechnen lässt, benennt die vier häufigsten Fallstricke und beschreibt einen Einstiegspfad, der ohne neue Software auskommt.
Saisonalität in der Absatzprognose greifbar machen: der Saisonalitätsindex
Saisonalität ist ein regelmäßig wiederkehrendes Nachfragemuster, das an Jahreszeiten, Feiertage, Wetterbedingungen oder kulturelle Ereignisse gebunden ist. Sie unterscheidet sich vom Trend, der eine langfristige Richtungsänderung beschreibt, und vom Zyklus, der unregelmäßig schwankt. Saisonalität ist kein Bauchgefühl, sondern ein statistisch messbares Muster. Das zentrale Werkzeug, um es greifbar zu machen, ist der Saisonalitätsindex.
Was der Saisonalitätsindex ist und wie er berechnet wird
Der Saisonalitätsindex, auch Saisonfaktor genannt, ist das Verhältnis der tatsächlichen Nachfrage einer Periode zur durchschnittlichen Nachfrage über alle Perioden. Diese durchschnittliche Nachfrage ohne saisonale Effekte, Aktionen oder Sonderereignisse ist die Baseline, also die Basislinie des Artikels. Der Saisonalitätsindex beschreibt damit nichts anderes als die saisonale Abweichung von dieser Baseline. Ein Wert über 1 bedeutet überdurchschnittliche Nachfrage, ein Wert unter 1 unterdurchschnittliche. Die Berechnung ist einfacher, als die Statistik dahinter vermuten lässt: Saisonalitätsindex einer Periode gleich tatsächliche Nachfrage der Periode geteilt durch die durchschnittliche Periodennachfrage über alle Perioden.
Ein Beispielszenario, kein belegter Einzelfall: Ein Artikel verkauft im Jahresdurchschnitt 100 Stück pro Monat. Im August liegt der Absatz bei 180 Stück, der Saisonalitätsindex August beträgt also 1,80. Im Februar liegt er bei 60 Stück, der Index Februar bei 0,60. Ein Index von 1,80 bedeutet 80 Prozent über dem Durchschnitt, ein Index von 0,60 entspricht 40 Prozent darunter.
Die Anwendung ist ebenso direkt: Basisprognose multipliziert mit dem Saisonalitätsindex ergibt die saisonbereinigte Prognose. Wer für August eine Basismenge von 110 Stück erwartet und einen Augustindex von 1,80 kennt, plant rund 198 Stück. Voraussetzung für einen stabilen Index sind mindestens 24 Monate Absatzhistorie, besser 36 Monate für zuverlässigere Werte. Die Fraunhofer-IML-Forschung zur Optimierung der Bedarfsprognose und das Standardwerk von Hyndman und Athanasopoulos (2021) beschreiben den Saisonalitätsindex als Grundbaustein jeder saisonalen Prognose.
Die Prüffrage: Haben Sie für Ihre saisonalen A-Artikel einen dokumentierten Saisonalitätsindex, oder schätzen Sie die saisonale Erhöhung jedes Jahr neu?
Holt-Winters: wenn Saisonalität und Trend gleichzeitig modelliert werden müssen
Der einfache Saisonalitätsindex genügt, solange die Grundnachfrage stabil bleibt. Sobald ein Artikel zusätzlich einen Trend hat, also über die Jahre wächst oder schrumpft, reicht er nicht mehr. Die Holt-Winters-Methode ist die statistische Standardantwort darauf: Sie modelliert Grundlevel, Trend und Saisonalität gemeinsam in einer Zeitreihe. Die Methode wird im Artikel zu Absatzprognose-Methoden im Mittelstand im Vergleich zu anderen Verfahren eingeordnet, hier zählt ihre saisonale Stärke.
Holt-Winters ist sinnvoll, wenn der Absatz gleichzeitig einen Trend zeigt und saisonal schwankt, etwa bei einer wachsenden Produktkategorie mit Sommerpeak. Die Voraussetzung sind mindestens zwei vollständige Saisonzyklen in der Datenbasis und eine saubere Historie ohne Strukturbrüche.
Genau hier liegt die Grenze. Holt-Winters ist empfindlich gegenüber Ausreißern und Strukturbrüchen. Ein einzelnes COVID-Jahr in der Datenbasis verfälscht den geschätzten Saisonindex dauerhaft, weil die Methode die Ausnahmewerte als reguläres Saisonmuster interpretiert. Wer Holt-Winters einsetzt, muss die Datenbasis vorher auf solche Brüche prüfen.
Die Prüffrage: Hat Ihre Absatzhistorie der letzten drei Jahre Perioden, die strukturell nicht mit dem heutigen Sortiment vergleichbar sind?
Drei Saisonalitätstypen und welche Methode jeweils passt
Saisonalität ist nicht gleich Saisonalität. Im FMCG-Mittelstand lassen sich drei Typen unterscheiden, die jeweils eine andere methodische Antwort verlangen. Die wettergetriebene Saisonalität schwankt mit Temperatur, Niederschlag und Sonnenstunden, typisch für Bier und alkoholfreie Getränke im Getränkegroßhandel. Hier reicht der reine Saisonalitätsindex nicht, weil das Wetter von Jahr zu Jahr variiert. Die Temperatur muss als externe Variable einbezogen werden, wie es der Artikel zur Wetterprognose im Getränkegroßhandel zeigt.
Die kalendergetriebene Saisonalität schwankt durch Feiertage, Schulferien und Brückentage, typisch für den belieferten Foodservice und den Lebensmittelhandel. Bewegliche Feiertage erfordern eine kalenderbasierte Korrektur, nicht nur einen periodenbezogenen Index. Die tourismusgetriebene Saisonalität schließlich folgt den touristischen Hoch- und Nebensaisons, ausgeprägt im Lebensmittelgroßhandel in Alpen- und Küstenregionen. Hier ist die Amplitude zwischen Saison und Nebensaison besonders groß, der Saisonalitätsindex kann Werte über 2,5 erreichen. Bei solchen Amplituden entscheidet die Qualität der Datenbasis über Erfolg oder Fehlplanung, weil schon kleine Fehler im Index sich mit dem hohen Faktor multiplizieren.
Vier Fehler, die saisonale Prognosen systematisch unbrauchbar machen
Die Methode ist bekannt, die Anwendung scheitert an vier wiederkehrenden Problemen. Alle vier sind vermeidbar, wenn man sie kennt, und alle vier entstehen nicht aus mangelnder Kompetenz, sondern aus fehlender Methodendisziplin.
Fallstrick 1: zu kurze Datenbasis, ein Saisonzyklus reicht nicht
Der häufigste Fehler ist der Saisonalitätsindex aus einem einzigen Jahr. Ein Einzeljahr ist kein stabiler Schätzer, sondern eine Momentaufnahme. War der Vorjahressommer außergewöhnlich heiß, überschätzt der daraus abgeleitete Index den kommenden Sommer systematisch, und der Disponent bestellt zu viel.
Die Mindestanforderung für einen belastbaren Index sind zwei bis drei vollständige Saisonzyklen. Erst über mehrere Jahre gemittelt glätten sich Ausnahmejahre zu einem verlässlichen Muster. Wer nur ein Jahr Historie hat, kann trotzdem mit einem vorläufigen Index arbeiten, muss aber wissen, dass er auf einer schmalen Basis steht, und die zusätzliche Unsicherheit im Sicherheitsbestand abbilden.
Die Prüffrage: Basiert Ihr Saisonalitätsindex auf mindestens zwei Jahren vergleichbarer Absatzdaten, oder auf dem letzten Jahr allein?
Fallstrick 2: Strukturbrüche in der Datenbasis
Ein Strukturbruch ist eine Veränderung in der Zeitreihe, die historische Saisonmuster unbrauchbar macht. Im FMCG-Bereich kommen mehrere Typen häufig vor: die COVID-Perioden 2020 und 2021, ein ERP-Wechsel mit Buchungsunterbrechungen, eine signifikante Sortimentsveränderung oder ein verlorener beziehungsweise gewonnener Großkunde.
Die Konsequenz ist tückisch, weil der Index rechnerisch plausibel bleibt. Er enthält verfälschte Werte aus strukturell anderen Perioden, ohne dass eine Fehlermeldung erscheint. Ein Großkunde, der 2024 abgesprungen ist, drückt den Saisonindex aller Monate, in denen er früher bestellt hat, und die Prognose plant dauerhaft zu niedrig. Die Lösung ist, Strukturbrüche aktiv zu identifizieren und die betroffenen Perioden entweder auszuschließen oder durch Schätzwerte zu ersetzen, bevor der Index berechnet wird. Die Fraunhofer-IML-Forschung zur Optimierung der Bedarfsprognose nennt diese Bereinigung als Grundvoraussetzung jeder belastbaren Zeitreihenanalyse.
Die Prüffrage: Welche Perioden der letzten drei Jahre sind strukturell nicht mit dem heutigen Sortiment und Kundenmix vergleichbar?
Fallstrick 3: bewegliche Feiertage, wenn der Kalender den Index bricht
Kalendereffekte sind planungsrelevante Abweichungen durch bewegliche Feiertage, Brückentage und regionale Feiertage. Sie sind die am meisten unterschätzte Fehlerquelle, weil sie sich im periodenbezogenen Index verstecken. Ein fester Feiertag wie der 25. Dezember liegt jedes Jahr im selben Monat und wird vom Dezemberindex korrekt erfasst. Ostern dagegen kann im März oder April liegen.
Ein Saisonalitätsindex für „März" und „April", der über Oster- und Nicht-Oster-Jahre mittelt, erzeugt für beide Monate systematisch falsche Werte: zu hoch im Nicht-Oster-Jahr, zu niedrig im Oster-Jahr. Die Lösung ist eine Kalenderbereinigung als Zusatzschritt. Bewegliche Feiertage werden als separate Planungsgröße behandelt und nicht in den Saisonindex eingeschmolzen. Besonders relevant ist das für den belieferten Foodservice mit der Osterwoche als Nachfragespitze, für den Einzelhandel und für die Süßwarenbranche.
Die Prüffrage: Behandelt Ihre Prognose bewegliche Feiertage wie Ostern als separaten Effekt, oder sind sie unsichtbar im Monatsindex vermischt?
Fallstrick 4: der Saisonindex wird einmal erstellt und nie aktualisiert
Ein verbreitetes Muster: Der Saisonalitätsindex wird bei der ERP-Einführung einmal konfiguriert und danach nie wieder überprüft. Doch Nachfragemuster verändern sich. Ein Craft-Beer-Boom verschiebt die Saisonkurven im Getränkegroßhandel, neue Touristengruppen verändern die Saisonmuster im Lebensmittelgroßhandel, ein verändertes Kaufverhalten verschiebt Spitzen um Wochen.
Dieses schleichende Auseinanderdriften von hinterlegtem Index und tatsächlicher Nachfrage ist eine Form der Parameterdrift, die der Artikel zu Dispositionsparametern im Detail behandelt. Die Gegenmaßnahme ist kein Großprojekt, sondern ein Routineschritt: Der Saisonalitätsindex der A-Artikel wird jährlich nach der Hochsaison neu berechnet. So bleibt er an der Realität, statt sich Jahr für Jahr weiter von ihr zu entfernen.
Die Prüffrage: Wann wurde der Saisonalitätsindex Ihrer umsatzstärksten saisonalen Artikel zuletzt aktualisiert?
Saisonale Prognosen verbessern: drei Schritte für einen belastbaren Prognoserahmen
Saisonalität strukturiert zu planen erfordert keine neue Software, sondern eine klare Methodik und drei Vorbereitungsschritte. Der größte Hebel liegt in den ersten beiden, nicht in der Wahl des ausgefeiltesten Verfahrens.
Schritt 1: Datenbasis bereinigen und Strukturbrüche identifizieren
Vor jeder Indexberechnung steht die Bereinigung. Die Absatzhistorie der letzten drei Jahre wird auf Strukturbrüche, Stockouts und unmarkierte Aktionen geprüft. Betroffene Perioden werden entweder ausgeschlossen oder durch interpolierte Werte ersetzt, damit sie den Index nicht verfälschen.
Ein Punkt verdient besondere Aufmerksamkeit: Stockout-Perioden dürfen nicht als Nullnachfrage in die Indexberechnung eingehen. Wenn ein Artikel im vergangenen August ausverkauft war, erscheint im System eine niedrige Nachfrage, obwohl der Bedarf hoch war. Fließt dieser Wert ungeprüft ein, drückt er den Augustindex nach unten, und die nächste Augustprognose fällt zu niedrig aus, der nächste Stockout ist programmiert. Wie eine saubere Datenbasis methodisch entsteht, behandelt der Artikel zu Absatzprognose-Methoden im Mittelstand.
Die Prüffrage: Sind in Ihrer Absatzhistorie die Stockout-Perioden gekennzeichnet, damit sie den Saisonindex nicht nach unten verzerren?
Schritt 2: Saisonalitätsindex berechnen und dokumentieren
Die Berechnung folgt vier Schritten. Zuerst wird die durchschnittliche Periodennachfrage über den gesamten bereinigten Zeitraum bestimmt. Dann wird die tatsächliche Nachfrage jeder Periode durch diesen Durchschnitt geteilt, was den Index der einzelnen Periode ergibt. Im dritten Schritt werden die Indexwerte derselben Periode über mehrere Jahre gemittelt, um einen stabileren Wert zu erhalten. Im vierten Schritt wird das Ergebnis je Periode dokumentiert, nicht im Kopf des Disponenten behalten.
Die Dokumentation ist keine Formalie, sondern der Kern der Methode. Ein dokumentierter Index ist für Vertretungen zugänglich und überlebt den Urlaub oder den Wechsel des Disponenten. Genau das beantwortet die Frage des SCM-Leiters, wie saisonale Prognosen unabhängig vom Wissen einer einzelnen Person werden. Der Aufwand richtet sich nach der ABC-Klasse: vollständige Berechnung für A-Artikel, vereinfachte Berechnung für B-Artikel, Daumenregel für C-Artikel.
Schritt 3: jährlicher Überprüfungsrhythmus nach der Saison
Der beste Zeitpunkt für die Überprüfung ist direkt nach dem Ende der Hochsaison. Dann sind die tatsächlichen Abverkäufe frisch, und die Abweichungen vom prognostizierten Index sind unmittelbar sichtbar. Geprüft wird, ob sich die Saisonmuster verändert haben und ob ein Strukturbruch wie ein neuer Großkunde oder eine Sortimentsumstellung den Index verschoben hat.
Der Aufwand ist überschaubar: Für 20 A-Artikel sind als Schätzwert etwa zwei bis drei Stunden jährlich realistisch, keine Dauerprojekt-Logik. Anschließend wird die Dokumentation aktualisiert, und wenn der Saisonindex im ERP hinterlegt ist, wird die IT über die Parameteranpassung informiert. Dieser Rhythmus verbindet sich sinnvoll mit einem strukturierten Demand-Planning-Prozess, wie ihn der Artikel zu Demand Planning im Mittelstand beschreibt, und liefert zugleich die Grundlage für eine saisonal differenzierte Sicherheitsbestandsberechnung. Die BCG-Studie Supply Chain Planning 2026 betont, dass aktuelle Planungsparameter die Voraussetzung jeder weiteren Automatisierung sind.
Saisonalität ist ein Muster, kein Schicksal
Saisonalität ist kein Planungsrisiko, sondern ein Planungsmuster. Wer einen sauber berechneten und regelmäßig aktualisierten Saisonalitätsindex hat, beantwortet die Frage „Wie viel bestelle ich für den August?" methodisch statt intuitiv. Der Disponent, der jedes Jahr gegen dieselben Saisonspitzen kämpft, macht nichts falsch, ihm fehlt nur die Methode, die das Muster explizit abbildet.
Drei Sofortschritte lohnen sich sofort. Erstens die Absatzhistorie der letzten drei Jahre auf Strukturbrüche prüfen: Welche Perioden sind strukturell nicht vergleichbar? Zweitens für die zehn umsatzstärksten saisonalen Artikel den Saisonalitätsindex berechnen und dokumentieren. Drittens einen Überprüfungsrhythmus festlegen, direkt nach der Hochsaison, als jährlichen Routineschritt.
Wer seinen Saisonalitätsindex kennt, bestellt im April nicht nach Gefühl, sondern multipliziert seine Basisprognose mit einem Faktor, den er aus seinen eigenen Daten abgeleitet hat. Das ist kein Großprojekt. Es ist Methodendisziplin, und sie unterscheidet den Betrieb, der sich auf die Saison vorbereitet, von dem, der jedes Jahr von ihr überrascht wird.
Weiterführende Quellen
Fraunhofer IML: Potenziale des Machine Learning in der Bedarfsplanung
BVL (2025): Trends und Strategien in Logistik und Supply Chain Management 2025/26
BCG (2026): Supply Chain Planning 2026: Why AI Alone Isn't Enough
Hyndman, R.J. & Athanasopoulos, G. (2021): Forecasting: Principles and Practice, 3. Auflage, OTexts
FAQ
Was ist ein Saisonalitätsindex, und wie berechne ich ihn?
Der Saisonalitätsindex ist das Verhältnis der tatsächlichen Nachfrage einer Periode zur durchschnittlichen Nachfrage über alle Perioden. Berechnet wird er, indem die Nachfrage einer Periode durch die durchschnittliche Periodennachfrage geteilt wird. Ein Wert über 1 bedeutet überdurchschnittliche Nachfrage, ein Wert unter 1 unterdurchschnittliche. Beispiel: Liegt der Augustabsatz bei 180 Stück und der Jahresdurchschnitt bei 100, beträgt der Augustindex 1,80. Für die Prognose wird die Basismenge mit dem Index multipliziert. Für stabile Werte braucht es mindestens 24 Monate Absatzhistorie, besser 36.
Wie viele Jahre Absatzhistorie brauche ich für einen belastbaren Saisonalitätsindex?
Als Orientierungswert mindestens 24 Monate, also zwei vollständige Saisonzyklen, besser 36 Monate. Ein einziges Jahr reicht nicht, weil es eine Momentaufnahme ist: War der Vorjahressommer außergewöhnlich heiß oder kühl, verzerrt das den Index für das kommende Jahr. Erst die Mittelung über mehrere Jahre glättet Ausnahmejahre zu einem verlässlichen Muster. Wer nur ein Jahr hat, kann mit einem vorläufigen Index arbeiten, sollte die zusätzliche Unsicherheit aber im Sicherheitsbestand berücksichtigen.
Was ist der Unterschied zwischen einem festen und einem beweglichen Feiertag in der Prognose?
Ein fester Feiertag liegt jedes Jahr am selben Datum, etwa der 25. Dezember, und wird vom Monatsindex korrekt erfasst. Ein beweglicher Feiertag wie Ostern wechselt zwischen März und April. Ein periodenbezogener Saisonalitätsindex mittelt dann über Oster- und Nicht-Oster-Jahre und liefert für beide Monate falsche Werte. Bewegliche Feiertage sollten deshalb als separate Planungsgröße behandelt und nicht in den Monatsindex eingeschmolzen werden. Das ist besonders im belieferten Foodservice und in der Süßwarenbranche relevant, wo die Osterwoche eine ausgeprägte Nachfragespitze erzeugt.
Was ist Deseasonalisierung, und wozu brauche ich sie?
Deseasonalisierung ist der Prozess, Absatzdaten um den saisonalen Effekt zu bereinigen. Dabei wird die tatsächliche Nachfrage durch den Saisonalitätsindex geteilt, sodass die zugrunde liegende Grundnachfrage sichtbar wird. Das ist nützlich, um Trends zu erkennen, die sonst von der Saisonalität überlagert würden. Steigt der deseasonalisierte Absatz über mehrere Monate, liegt ein echter Wachstumstrend vor und nicht nur ein Saisoneffekt. Deseasonalisierung trennt also die Frage „Wie läuft das Geschäft grundsätzlich?" von der Frage „Welche Saison haben wir gerade?".
Was ist die Holt-Winters-Methode, und wann ist sie besser als ein einfacher Saisonalitätsindex?
Holt-Winters ist eine statistische Prognosemethode, die Grundlevel, Trend und Saisonalität gemeinsam modelliert. Ein einfacher Saisonalitätsindex genügt, wenn die Grundnachfrage stabil bleibt. Sobald ein Artikel zusätzlich einen Trend hat, also über die Jahre wächst oder schrumpft, ist Holt-Winters überlegen, weil es den Trend und die Saisonalität gleichzeitig berücksichtigt. Die Methode braucht mindestens zwei vollständige Saisonzyklen und eine saubere Datenbasis. Ihre Schwäche ist die Empfindlichkeit gegenüber Strukturbrüchen: Ein COVID-Jahr in den Daten verfälscht den geschätzten Saisonindex dauerhaft.
Wie oft sollte ich meinen Saisonalitätsindex aktualisieren?
Einmal jährlich, am besten direkt nach dem Ende der Hochsaison. Dann sind die tatsächlichen Abverkäufe frisch und die Abweichungen vom Index gut sichtbar. Geprüft wird, ob sich Saisonmuster verschoben haben oder ein Strukturbruch den Index verändert hat. Der Aufwand ist gering, für 20 A-Artikel etwa zwei bis drei Stunden. Ohne diesen Rhythmus driftet der Index schleichend von der Realität weg, weil sich Nachfragemuster über die Jahre verändern, etwa durch neue Produktkategorien oder verändertes Kaufverhalten.
Was passiert mit meiner saisonalen Prognose, wenn die Datenbasis einen Strukturbruch enthält?
Ein Strukturbruch wie ein ERP-Wechsel, eine Sortimentsumstellung oder ein verlorener Großkunde verfälscht den Saisonalitätsindex, ohne dass eine Fehlermeldung erscheint. Der Index enthält dann Werte aus Perioden, die mit dem heutigen Geschäft nicht mehr vergleichbar sind, und die Prognose liegt systematisch daneben. Deshalb gehört vor jede Indexberechnung eine Prüfung auf Strukturbrüche. Betroffene Perioden werden entweder ausgeschlossen oder durch Schätzwerte ersetzt. Besonders kritisch sind Stockout-Perioden, die als Nullnachfrage erscheinen und den Index nach unten ziehen, wenn sie nicht gekennzeichnet werden.
